我几乎是Python的新手,我正在尝试使用lmfit来适应大学的数据。 Y变量的可变误差为3%。如何将该错误添加到拟合过程中?我正在改变scipy的曲线拟合和scipy,这很容易做到,只需创建一个带有错误值的数组,并在拟合时通过添加文本“sigma = [yourarray]”指定错误这是我当前的代码:
from lmfit import Minimizer, Parameters, report_fit
import matplotlib.pyplot as plt
w1, V1, phi1, scal1 = np.loadtxt("./FiltroPasaBajo_1.txt", delimiter = "\t", unpack = True)
t = w1
eV= V1*0.03 + 0.01
def funcion(parametros, x, y):
R = parametros['R'].value
C = parametros['C'].value
modelo = 4/((1+(x**2)*(R**2)*(C**2))**1/2)
return modelo - y
parametros = Parameters()
parametros.add('R', value = 1000, min= 900, max = 1100)
parametros.add('C', value = 1E-6, min = 1E-7, max = 1E-5)
fit = Minimizer(funcion, parametros, fcn_args=(t,V1))
resultado = fit.minimize()
final = V1 + resultado.residual
report_fit(resultado)
try:
plt.plot(t, V1, 'k+')
plt.plot(t, final, 'r')
plt.show()
except ImportError:
pass
V1是我测量的值,eV是错误数组。 t是x坐标。感谢您的时间
minimize()
函数在最小二乘意义上最小化数组,调整变量参数以最小化由目标函数返回的(resid**2).sum()
数组的resid
。它对您的数据中的不确定性甚至您的数据都不了解。要使用拟合中的不确定性,您需要在传递eV
和t
时传入数组V1
,然后在计算数组时将其用于最小化。
人们通常希望最小化Sum[ (data-model)^2/epsilon^2 ]
,其中epsilon
是数据中的不确定性(你的eV
),所以残差数组应该从data-model
改为(data-model)/epsilon
。为了你的健康,你会想要
def funcion(parametros, x, y, eps):
R = parametros['R'].value
C = parametros['C'].value
modelo = 4/((1+(x**2)*(R**2)*(C**2))**1/2)
return (modelo - y)/eps
然后使用它
fit = Minimizer(funcion, parametros, fcn_args=(t, V1, eV))
resultado = fit.minimize()
...
如果你使用lmfit.Model
接口(专为曲线拟合而设计),那么你可以传入weights
数组乘以data -model
,因此1.0 / eV
代表不确定性的加权(如上所述minimize
)。使用lmfit.Model
界面并提供不确定性将如下所示:
from lmfit import Model
# model function, to model the data
def func(t, r, c):
return 4/((1+(t**2)*(r**2)*(c**2))**1/2)
model = Model(func)
parametros = model.make_params(r=1000, c=1.e-6)
parametros['r'].set(min=900, max=1100)
parametros['c'].set(min=1.e-7, max=1.e-5)
resultado = model.fit(V1, parametros, t=t, weights=1.0/eV)
print(resultado.fit_report())
plt.errorbar(t, V1, eV, 'k+', label='data')
plt.plot(t, resultado.best_fit, 'r', label='fit')
plt.legend()
plt.show()
希望有所帮助....
我想你不能直接在fit.minimize()中提供sigma。
但是我看到fit.minimize()使用scipy的minimalsq方法(默认情况下),这与scipy的curve_fit使用的方法相同。
如果你研究scipy's curve_fit source,它会跟随sigma(对于1-d情况)。
transform = 1.0 / sigma
jac = _wrap_jac(jac, xdata, transform)
res = leastsq(func, p0, Dfun=jac, full_output=1, **kwargs)
由于fit.minimize()允许你传递kwargs(Dfun)for leastsq,你可以像在scipy curve_fit中一样传递jac。